摘要 | 第4-5页 |
abstract | 第5-6页 |
第1章 绪论 | 第11-25页 |
1.1 引言 | 第11-12页 |
1.2 选题背景及研究意义 | 第12-14页 |
1.3 SAR图像海岸线检测的研究现状 | 第14-18页 |
1.3.1 阈值法 | 第15页 |
1.3.2 区域增长方法 | 第15页 |
1.3.3 马尔科夫随机场方法 | 第15-16页 |
1.3.4 小波变换法 | 第16-17页 |
1.3.5 人工神经网络方法 | 第17页 |
1.3.6 几何活动轮廓模型方法 | 第17-18页 |
1.4 GAC模型的研究现状 | 第18-22页 |
1.4.1 基于边缘信息的几何活动轮廓模型 | 第19-20页 |
1.4.2 基于区域信息的几何活动轮廓模型 | 第20-21页 |
1.4.3 混合模型的几何活动轮廓模型 | 第21-22页 |
1.5 本文主要工作与结构安排 | 第22-25页 |
第2章 曲线演化理论及水平集方法 | 第25-33页 |
2.1 引言 | 第25页 |
2.2 SAR图像的特征 | 第25-27页 |
2.2.1 SAR图像成像的原理 | 第25-26页 |
2.2.2 SAR图像成像的特点 | 第26-27页 |
2.3 曲线的水平集演化 | 第27-29页 |
2.3.1 曲线演化理论 | 第27-28页 |
2.3.2 水平集方法 | 第28-29页 |
2.4 变分法和梯度下降流 | 第29-32页 |
2.4.1 变分原理 | 第29-31页 |
2.4.2 梯度下降流方法 | 第31-32页 |
2.5 本章小结 | 第32-33页 |
第3章 GAC模型 | 第33-43页 |
3.1 引言 | 第33页 |
3.2 活动轮廓模型 | 第33-34页 |
3.3 边界模型 | 第34-35页 |
3.4 区域模型 | 第35-42页 |
3.4.1 Mumford-Shah模型 | 第35页 |
3.4.2 Chan-Vese模型 | 第35-39页 |
3.4.3 LBF(Local Binary Fitting)模型 | 第39-42页 |
3.5 混合模型 | 第42页 |
3.6 本章小结 | 第42-43页 |
第4章 结合全局区域信息改进的C-V模型 | 第43-55页 |
4.1 引言 | 第43页 |
4.2 改进的模型 | 第43-46页 |
4.3 基于改进模型的检测方法及效果 | 第46-53页 |
4.3.1 初始轮廓的获取 | 第46-47页 |
4.3.2 海岸线的精确提取 | 第47-48页 |
4.3.3 实验仿真及分析 | 第48-53页 |
4.4 本章小结 | 第53-55页 |
第5章 改进的C-V模型在SAR图像海岸线检测中的应用 | 第55-71页 |
5.1 引言 | 第55页 |
5.2 图像预处理 | 第55-62页 |
5.2.1 图像增强 | 第55-59页 |
5.2.2 SAR图像滤波 | 第59-62页 |
5.3 实验结果及分析 | 第62-70页 |
5.4 本章小结 | 第70-71页 |
结论 | 第71-73页 |
参考文献 | 第73-81页 |
攻读学位期间发表的学术论文 | 第81-83页 |
致谢 | 第83页 |